语言大模型 / LLM

LLM4XCE: Large Language Models for Extremely Large-Scale Massive MIMO Channel Estimation

LLM4XCE：用于超大规模大规模MIMO信道估计的大型语言模型

Renbin Li, Shuangshuang Li, Peihao Dong

机构 * College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics（电子与信息工程学院，南京航空航天大学） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI、cs.LG

AI总结 LLM4XCE通过利用大型语言模型的语义建模能力，实现了超大规模大规模MIMO信道估计的高效准确估计。

Self Distillation Fine-Tuning of Protein Language Models Improves Versatility in Protein Design

蛋白质语言模型的自我蒸馏微调提升了蛋白质设计的通用性

Amin Tavakoli, Raswanth Murugan, Ozan Gokdemir, Arvind Ramanathan, Frances Arnold, Anima Anandkumar

专题命中 指令微调 ：language model(title,abstract)；large language model(abstract)；SFT(abstract)；分类 cs.LG

AI总结 通过自我蒸馏微调提升蛋白质语言模型的通用性，生成更稳定和功能性的蛋白质序列。

TRepLiNa: Layer-wise CKA+REPINA Alignment Improves Low-Resource Machine Translation in Aya-23 8B

TRepLiNa：分层CKA+REPINA对齐改进Aya-23 8B低资源机器翻译

Toshiki Nakai, Ravi Kiran Chikkala, Lena Sophie Oberkircher, Nicholas Jennings, Natalia Skachkova, Tatiana Anikina, Jesujoba Oluwadara Alabi

机构 * Saarland University（萨尔兰大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） 纠错

专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 TRepLiNa通过结合CKA和REPINA实现分层对齐，提升低资源语言Aya-23 8B的机器翻译质量，尤其在数据稀缺情况下效果显著。

Comments It is work in progress

SAFT: Structure-Aware Fine-Tuning of LLMs for AMR-to-Text Generation

SAFT：面向AMR到文本生成的结构感知LLM微调

Rafiq Kamel, Filippo Guerranti, Simon Geisler, Stephan Günnemann

机构 * School of Computation, Information and Technology（计算、信息与技术学院） ； Technical University of Munich（慕尼黑技术大学） ； Munich Data Science Institute（慕尼黑数据科学研究所） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 SAFT通过将图拓扑注入预训练LLMs，提升AMR到文本生成的性能，实现3.5 BLEU提升。

Comments Accepted at the KDD2025 Workshop on Structured Knowledge for LLMs

World in a Frame: Understanding Culture Mixing as a New Challenge for Vision-Language Models

世界在框架中：将文化混合视为视觉语言模型的新挑战

Eunsu Kim, Junyeong Park, Na Min An, Junseong Kim, Hitesh Laxmichand Patel, Jiho Jin, Julia Kruk, Amit Agarwal, Srikant Panda, Fenal Ashokbhai Ilasariya, Hyunjung Shim, Alice Oh

专题命中 指令微调 ：language model(title,abstract)

AI总结 本文提出CultureMix基准，研究文化混合对视觉语言模型的影响，发现模型在混合场景中表现不佳，通过监督微调提升模型鲁棒性。

Llama-based source code vulnerability detection: Prompt engineering vs Fine tuning

基于Llama的源代码漏洞检测：提示工程与微调

Dyna Soumhane Ouchebara, Stéphane Dupont

机构 * University of Mons（蒙斯大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.AI

AI总结 本研究探讨了基于Llama模型的源代码漏洞检测方法，比较了提示工程与微调技术的效果，提出双微调方法并评估其性能。

Comments 20 pages, Accepted at ESORICS 2025

Guiding LLMs to Generate High-Fidelity and High-Quality Counterfactual Explanations for Text Classification

引导大语言模型生成高质量文本分类的反事实解释

Van Bach Nguyen, Christin Seifert, Jörg Schlötterer

机构 * University of Marburg（马尔堡大学） ； University of Mannheim（曼海姆大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出两种分类器引导方法，引导大语言模型生成高质量文本分类的反事实解释，无需微调并提升模型鲁棒性。

Journal ref The World Conference on eXplainable Artificial Intelligence 2025

Aligning Text to Image in Diffusion Models is Easier Than You Think

在扩散模型中将文本对齐到图像比你想象的更容易

Jaa-Yeon Lee, Byunghee Cha, Jeongsol Kim, Jong Chul Ye

机构 * Kim Jaechul Graduate School of AI, KAIST（金佳哲人工智能研究生院，韩国科学技术院） ； Department of Bio and Brain Engineering, KAIST（生物与脑工程系，韩国科学技术院） 纠错

专题命中 指令微调 ：preference optimization(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出SoftREPA方法，通过对比学习提升文本与图像表示的对齐效果，减少计算开销，增强语义一致性。

Comments NeurIPS 2025